RBF-Netz, (engl. radial basis function network), ein Neuronales Netz, dessen wesentliche formale Neuronen glockenförmige Transferfunktionen mit Radial-Typ-Aktivierung besitzen.

Im folgenden wird kurz ein vorwärtsgerichtetes diskretes dreischichtiges RBF-Netz vorgestellt, welches in den verborgenen Neuronen eine glockenförmige Transferfunktion T mit jeweils Radial-Typ-Aktivierungen besitzen möge und mit der Backpropagation-Lernregel trainiert werde: Wenn man diesem dreischichtigen Feed-Forward-Netz eine Menge von t Trainingswerten (x^(s), y^(s)) ∈ ℝⁿ × ℝ^m, 1 ≤ s ≤ t, präsentiert, dann sollten die Gewichte g_pj ∈ ℝ, 1 ≤ p ≤ q, 1 ≤ j ≤ m, und die Differenzgewichte d_ip ∈ ℝ, 1 ≤ i ≤ n, 1 ≤ p ≤ q, sowie die Dilatationsparameter ϱ_p ∈ ℝ, 1 ≤ p ≤ q, so gewählt werden, daß für alle j ∈ {1, …, m} und für alle s ∈ {1, …, t} die quadrierten Fehler

\begin{eqnarray}{\left({y}_{j}^{(s)}-\displaystyle \sum _{p=1}^{q}{g}_{pj}T({\varrho }_{p}{\displaystyle \sum _{i=1}^{n}({x}_{i}^{(s)}-{d}_{ip})}^{2})\right)}^{2}\end{eqnarray}

möglichst klein werden. Nimmt man nun an, daß die glockenförmige Transferfunktion T stetig differenzierbar ist und setzt t partiell differenzierbare Fehlerfunktionen

\begin{eqnarray}\begin{array}{cc}{F}^{(s)}:{{\mathbb{R}}}^{qm}\times {{\mathbb{R}}}^{nq}\times {{\mathbb{R}}}^{q}\to {\mathbb{R}}, & 1\le s\le t,\end{array}\end{eqnarray}

an als

\begin{eqnarray}\begin{array}{l}{F}^{(s)}(\mathrm{..},{g}_{pj},\mathrm{..},{d}_{ip},\mathrm{..},{\varrho }_{p},\mathrm{..})\\ :=\displaystyle \sum _{j=1}^{m}{\left({y}_{j}^{(s)}-\displaystyle \sum _{p=1}^{q}{g}_{pj}T({\varrho }_{p}\displaystyle \sum _{i=1}^{n}{({x}_{i}^{(s)}-{d}_{ip})}^{2})\right)}^{2},\end{array}\end{eqnarray}

dann erhält man für die Suche nach dem Minimum einer Funktion F^(s) mit dem Gradienten-Verfahren folgende Vorschriften für einen Gradienten-Schritt, wobei λ > 0 ein noch frei zu wählender sogenannter Lernparameter ist:

1. Gewichte g_pj, 1 ≤ p ≤ q, 1 ≤ j ≤ m:

   \begin{eqnarray}{g}_{pj}^{(neu)}:={g}_{pj}-\lambda {F}_{{g}_{pj}}^{(s)}(\mathrm{..},{g}_{pj},\mathrm{..},{d}_{ip},\mathrm{..},{\varrho }_{p},\mathrm{..}).\end{eqnarray}

2. Differenzgewichte d_ip, 1 ≤ i ≤ n, 1 ≤ p ≤ q:

   \begin{eqnarray}{d}_{ip}^{(neu)}:={d}_{ip}-\lambda {F}_{{d}_{ip}}^{(s)}(\mathrm{..},{g}_{pj},\mathrm{..},{d}_{ip},\mathrm{..},{\varrho }_{p},\mathrm{..}).\end{eqnarray}

In den obigen Aktualisierungsvorschriften bezeichnen \({F}_{{g}_{pj}}^{(s)}\), \({F}_{{d}_{ip}}^{(s)}\) und \({F}_{{\varrho }_{p}}^{(s)}\) jeweils die partiellen Ableitungen von F^(s) nach g_pj, d_ip und ϱ_p, und die in Zusammenhang mit der Backpropagation-Lernregel für Standard-Netze gemachten Bemerkungen lassen sich sinngemäß auf den vorliegenden Fall eines RBF-Netzes übertragen, wobei in diesem Fall allerdings die Batch-Mode-Variante häufig deutlich bessere Resultate liefert als die On-Line-Variante.